Escolar Documentos
Profissional Documentos
Cultura Documentos
BOTUCATU – SP
Dezembro - 2006
UNIVERSIDADE ESTADUAL PAULISTA “JÚLIO DE MESQUITA FILHO”
FACULDADE DE CIÊNCIAS AGRONÔMICAS
CAMPUS DE BOTUCATU
BOTUCATU – SP
Dezembro - 2006
IV
Dedicatória
Dedico esta tese a minha amada esposa Marilia, que sempre me estimulou nos momentos de
incerteza e me compreendeu nos momentos de dedicação ao meu trabalho. Obrigado por seu
amor, sua tolerância e sua paciência.
VI
AGRADECIMENTOS
SUMÁRIO
LISTA DE ABREVIATURAS...............................................................................................XIV
1 RESUMO ............................................................................................................................1
2 SUMMARY ........................................................................................................................3
3 INTRODUÇÃO...................................................................................................................5
5 MATERIAL E MÉTODOS...............................................................................................46
6 RESULTADOS .................................................................................................................54
7 DISCUSSÕES ...................................................................................................................95
8 CONSIDERAÇÕES ........................................................................................................100
9 CONCLUSÕES ...............................................................................................................102
APÊNDICE .............................................................................................................................116
XI
LISTA DE FIGURAS
Figura 2 – Modelo matemático de um neurônio biológico (McCulloch & Pitts, 1943) ...........12
Figura 14 – Visão da EMA utilizada para coleta de dados da base 2. Piraí do Sul, PR. 2005..50
LISTA DE TABELAS
LISTA DE ABREVIATURAS
1 RESUMO
Propagation (Rprop) foi o que apresentou as menores taxas de erro em relação aos outros,
sendo eles: Backpropagation Standard, Backpropagation for batch training, Backpropagation
with momentum term, Backpropagation with chunkwise update, Backpropagation with Weight
Decay e Quickprop. Verificou-se, também, que dentre as variáveis climáticas utilizadas para
classificação do molhamento foliar, a inclusão do horário influenciou na obtenção de melhores
resultados das RNAs, durante a fase de treinamento e validação. Nos quatro estudos de caso o
sistema PMNeural foi capaz de classificar o molhamento foliar com acertos superiores a
73,96%. O sistema PMNeural foi eficiente para reconhecer padrões em dados de variáveis
meteorológicas visando estimar o molhamento foliar originado por orvalho.
________________________
Palavras Chave: Inteligência artificial, Agricultura, Índice de molhamento, Duração do
período de molhamento foliar.
3
2 SUMMARY
also that, among the climatic variables used for classification of leaf wetness from dew, the
inclusion of the schedule had influenced in the obtaining better ANNs results, during the
training and validation phases. The PMNeural system was able to classify the wetness indexes,
achieving higher than 73,96% accuracy. The PMNeural system was efficient to recognize
patterns in meteorological variables data aiming to estimate the wetness from dew.
________________________
3 INTRODUÇÃO
1
Corpúsculos reprodutivos de fungos e algumas bactérias.
7
4 REVISÃO DE LITERATURA
de engenharia e ciências (Silva, 2001b). Os trabalhos têm sido motivados desde o começo,
pelo reconhecimento de que o cérebro humano processa informações de uma forma diferente
do computador digital convencional. O cérebro é um computador (sistema de processamento
de informação) altamente complexo, não-linear e paralelo. Ele tem a capacidade de organizar
seus constituintes estruturais, conhecidos por neurônios, de forma a realizar certos
processamentos (reconhecimento de padrões, percepção, e controle motor) mais rapidamente
que o mais rápido computador digital hoje existente (Haykin, 2001).
Apesar da complexidade das redes neurais não permitir uma única
definição, adota-se a de Haykin (2001), que descreve as principais características do que seja
uma RNA:
Uma rede neural é um processador maciçamente paralelamente distribuído constituído de
unidades de processamento simples, que têm a propensão natural para armazenar
conhecimento experimental e torná-lo disponível para o uso. Ela se assemelha ao cérebro
em dois aspectos:
1. O conhecimento é adquirido pela rede a partir de seu ambiente através de um
processo de aprendizagem.
2. Forças de conexão entre neurônios, conhecidas como pesos sinápticos, são utilizadas
para armazenar o conhecimento adquirido.
A propriedade mais importante das redes neurais é a habilidade de
aprender a partir de seu ambiente e com isso melhorar seu desempenho, isso é feito através de
um processo de aprendizagem, que é um processo iterativo de ajustes aplicado a seus pesos
sinápticos, o algoritmo de treinamento. O aprendizado ocorre quando a rede neural atinge uma
solução generalizada para uma classe de problemas.
Essas características das redes neurais resultam em algumas atrativas
habilidades que incluem (Balestrassi, 2000):
• encontrar relacionamentos entre conjuntos de dados aparentemente não
correlacionados e depois construir um conjunto de informações a partir deles;
• encontrar relacionamentos entre os dados que analistas humanos não podem
descobrir devido suas limitações intrínsecas quando, por exemplo, existe uma
grande quantidade de pontos;
10
(1)
1. Conjunto de sinapses ou elos de conexão, cada uma se caracteriza por seu peso ou
força própria. Um sinal xj na entrada da sinapse j conectado a um neurônio k é
multiplicado pelo peso sináptico wkj, onde o índice k refere-se ao neurônio em questão
e o índice j refere-se ao terminal de entrada da sinapse.
2. Junção aditiva – somador dos sinais de entrada, ponderados pelos respectivos pesos
sinápticos. Estas funções constituem um combinador linear.
3. Função de ativação – tem por finalidade restringir a amplitude de saída de um
neurônio, pode ser também referenciada como função restritiva já que restringe (limita)
o intervalo permissível de amplitude do sinal de saída a um valor finito. Tipicamente, o
14
(2)
(3)
onde x1, x2, x3,..., xm, são sinais de entrada; wk1, wk2, wk3,..., wkm, são os pesos sinápticos do
neurônio k; uk é a saída do combinador linear devido aos sinais de entrada; bk é o bias; ϕ (.) é
(4)
15
(5)
2. Função Linear por Partes (piecewise) – definida pela equação 6, ilustrada no gráfico
da Figura 5. Assume-se que o fator de amplificação dentro da região linear de operação
é a unidade. Esta forma de ativação pode ser vista como uma aproximação de um
amplificador não-linear. As duas situações a seguir podem ser vistas como formas
especiais da função linear por partes:
16
(6)
(7)
2
Um grafo D=(V,E) é dito direcionado ou dirigido (dígrafo) se ele é constituído de um conjunto finito não
vazio V (os vértices) e um conjunto E (as arestas orientadas) de pares ordenados de vértices. Portanto, em um
dígrafo cada aresta (v,w) possui uma única direção de v para w (Szwarcfiter, 1986).
18
construção dessas fronteiras é tornada estatística pela variabilidade inerente que existe dentro
das classes e entre as classes.
Conforme já abordado, uma das propriedades mais importantes das
RNAs é o seu aprendizado, e a escolha de um algoritmo de aprendizagem particular é
influenciada pela tarefa de aprendizagem que uma rede neural deve executar (Haykin, 2001).
aprendizado que estabelece a forma como estes pesos são alterados. O aprendizado é realizado
utilizando-se um conjunto de dados de aprendizado disponível (base de exemplos). Cada
iteração deste processo gradativo de adaptação dos pesos de uma rede neural, onde é feita uma
apresentação completa do conjunto de dados, é chamada de época ou ciclo de aprendizado. Os
métodos de aprendizado neural podem ser divididos em três grandes classes, segundo o grau
de controle dado ao usuário (Osório & Bittencourt, 2000).
• Aprendizado supervisionado – o usuário dispõe de um comportamento de
referência preciso, que ele deseja ensinar a rede. Sendo assim, a rede deve ser
capaz de medir a diferença entre seu comportamento atual e o comportamento
de referência, e então corrigir os pesos de maneira a reduzir este erro (desvio de
comportamento em relação aos exemplos de referência). Exemplo de aplicação:
reconhecimento de caracteres em uma aplicação do tipo OCR (Optical
Character Recognition – Osório apud Osório & Bittencourt, 2000).
• Aprendizado semi-supervisionado – o usuário possui apenas indicações
imprecisas (por exemplo: sucesso/insucesso da rede) sobre o comportamento
final desejado. As técnicas de aprendizado semi-supervisionado são chamadas
também de aprendizado por reforço (reinforcement learning - Sutton & Barto
apud Osório & Bittencourt, 2000). Exemplo: aplicações em robótica autônoma,
onde supondo uma situação hipotética, sabe-se que seguir em frente não é
possível, pois existe um obstáculo, mas em compensação não se tem uma
medida numérica que indique para que lado seguir e exatamente como se deve
proceder para desviar deste obstáculo.
• Aprendizado não-supervisionado – os pesos da rede são modificados em
função de critérios internos, tais como, a repetição de padrões de ativação em
paralelo de vários neurônios. O comportamento resultante deste tipo de
aprendizado é usualmente comparado com técnicas de análise de dados
empregadas na estatística (clustering). Exemplo: diferenciar tomates de
laranjas, sem ter, no entanto os exemplos com a sua respectiva classe etiquetada
(self-organizing feature maps – Kohonen apud Osório & Bittencourt, 2000).
23
obtido em d for maior ou igual a 0 (zero), O (saída ativada) será igual a +1 (um); se d for
menor que 0 (zero), O será igual a -1 (menos 1).
No sentido de estabelecer uma abordagem prática de uso do modelo
perceptron, a seguir, desenvolve-se um exemplo simples de aplicação, adaptado de Ramos
(2003), cujo domínio de aplicação é a classificação de frutos.
Segundo Ramos (2003), no processo de classificação artificial de
frutos, faz-se necessário o desenvolvimento de modelos que permitam estabelecer o
relacionamento entre a entrada de padrões de classificação (entradas), análise/processamento
dessa informação e convergência para uma saída de classificação definida (saída). A rede
neural deve aprender a reconhecer padrões de entrada e definir a saída segundo classes
definidas, ou seja, dado um determinado padrão de entrada, escolher em que categoria esse se
enquadra melhor.
Para exemplificar, os padrões de entrada considerados são valores que
correspondem às propriedades físicas do fruto, peso e diâmetro. O modelo perceptron deve
aprender a relação entre os padrões de entrada e as classes desejadas na saída.
Hipoteticamente, considera-se que, em média, os frutos que tenham no máximo 5 cm de
diâmetro sejam os maiores e os próximos de 1 cm sejam os menores, havendo evidentemente,
tamanhos intermediários dentro desta faixa. Quanto ao peso, frutos que tenham 50 gramas de
peso, são os maiores e os de 5 gramas, os menores. Do mesmo modo, como em relação ao
diâmetro, há pesos diferentes dentro desta faixa. Os perceptrons terão que classificar os frutos
com certo peso e diâmetro de acordo com duas classes, A ou B.
Assume-se que os pesos foram calculados mediante um processo de
treinamento e que se têm dois pesos para cada perceptron, conforme Tabela 1.
teste), calculando as saídas de cada perceptron e definindo que, se a saída ativada O para o
perceptron 1 for +1, o fruto pertence a classe A, se a saída ativada O para o perceptron 2 for
+1, o fruto é de classe B, como pode ser observado na Tabela 2.
Diverio et al. (2003), Franco & Martins (1999), Freitas et al. (2002), Galo (2000a), Galo et al.
(2000b), Giovanini & Coury (1999), Gleriani (2004), Gonçalves (2003), Mathias et al. (2004),
Medeiros (1999), Muller & Fill (2003), Pernomian & Trindade al. (2003), Rohn et al. (2003),
Ramos (2003), Ribeiro (2003), Santos et al. (1999), Segatto et al. (2003), Senger & Caldas
Junior (2001), Tinós (1999), Tápia et al. (2000), Weinert & Lopes (2003).
Rumelhart, Hinton e Williams (Rumelhart et al., 1986) apresentaram
em 1986 a descrição do Algoritmo de Retropropagação de erro (error back-propagation) para
arquitetura do perceptron de múltiplas camadas. Este algoritmo é baseado na regra de
aprendizagem por correção de erro, tema da próxima seção.
camada oculta será usado para ajustar os pesos da camada oculta anterior. Este processo será
repetido até que a primeira camada oculta seja ajustada. Desta forma, os erros serão
retropropagados camada a camada com as devidas correções. Rotina esta que será realizada de
uma maneira repetitiva, ajustando os pesos das respectivas camadas.
O processo é repetido para cada padrão de dados durante o treinamento
até que o erro total da saída tenha convergido a um valor mínimo, ou até que algum limite
predeterminado de iterações tenha sido completado.
Pode-se, então, criar duas fases para o algoritmo de treinamento do
back-propagation. Cada fase percorre um sentido da rede. A primeira fase, chamada de
propagação (forward), define a saída da rede para um determinado padrão de dados de
entrada. A segunda e última retropropagação (backward) está incumbida de utilizar a saída
desejada/esperada e a saída fornecida pela última camada da rede para ajustar os pesos
sinápticos da rede neural. Na Figura 12, observa-se, esquematicamente, a direção destes dois
fluxos básicos de sinais em uma rede MLP.
Propagação (Forward):
Retropropagação (Backward):
Back-propagation:
1. Inicializar a rede (pesos sinápicos);
2. Repita
2.1. Para cada padrão/dados de treinamento P[x], para todo x ε [1 , n], sendo n o
número total de amostras do conjunto de treinamento.
2.1.1. Calcular a saída (S) da rede utilizando a fase forward;
2.1.2. Comparar a saída (S), calculada no item 2.1.1, com as saídas desejadas;
2.1.3. Realizar atualização dos pesos sinápticos fazendo o uso da fase
backward;
3. Até o erro ser mínimo ou até x épocas.
34
erro é diminuído, a obtenção de dados próximos aos desejados é a conseqüência e a rede fica
apta, então, a executar o processo para o qual foi projetada (Medeiros, 2003).
Neste mecanismo observa-se que o cálculo dos valores dos pesos
sinápticos da rede não é um processo exato, ou seja, os valores são obtidos por meio de um
processo de tentativa e erro, até que se obtenha um resultado adequado ao problema proposto.
Medeiros (2003) descreveu graficamente de forma simplificada a
evolução do processo de convergência dos pesos para um valor de mínimo erro. Na Figura 13,
o eixo vertical representa o erro global E (diferença média quadrática entre as saídas desejadas
e saídas calculadas). No eixo horizontal, são representados os valores que um peso w pode
assumir. Reproduz-se, então, a curva referente ao erro apresentado, conforme o valor do peso.
O processo da descida de gradiente direciona o valor do peso para
onde está o mínimo erro e, assim, o algoritmo executa passo a passo a atualização do valor do
peso até aonde o erro minimiza (Emim). Nesta ilustração, a convergência do valor do peso é
representada como Winicial, para chegar próximo a Wfinal, as setas ao lado da curva representam
a direção do gradiente dando o sentido do mínimo erro global.
(9)
37
(10)
(11)
(12)
seguinte. Isto se faz atribuindo zero na derivada parcial do passo t – 1, na regra da Equação 12
em ∆ij.
Os valores de atualização e os pesos são trocados toda vez que o
conjunto padrão todo for apresentado uma vez para a rede (aprendizado por época).
Neste contexto, o tamanho da atualização dos pesos depende apenas da
seqüência de troca de sinais das derivadas parciais, não dependendo da magnitude das
mesmas. Dessa forma, os pesos distantes da camada de saída têm a mesma oportunidade de
aprendizado daqueles próximos à camada de saída, resultando em um modo de distribuição de
aprendizado homogêneo pela RNA, melhorando a eficiência no processo de aprendizado.
Diferentemente do algoritmo back-propagation, onde um dos aspectos
da descida do gradiente é que o valor da derivada decresce exponencialmente com a distância
entre o peso e a camada de saída da RNA. Deste modo, pesos muito distantes da camada de
saída são menos modificados e, consequentemente, o aprendizado torna-se mais lento.
Nas próximas seções deste capítulo, serão abordados temas que
norteiam o foco agronômico desta tese.
patógeno3 – hospedeiro, torna-se importante a sua estimativa para cada localidade, a fim de se
compreender a dinâmica e evolução de epidemias regionalmente, objetivando o uso racional
de defensivos agrícolas, com redução dos custos de produção e, também, dos impactos
ambientais (Tsukahara, 2004).
4.2.1 Orvalho
3
É o microorganismo causal da doença que vive numa relação parasitária com o hospedeiro ou planta cultivada.
As doenças causadas por microorganismos envolvem fungos, bactérias, vírus, protozoários e nematóides (Melo,
2004).
40
pode reter (Roman, 1999), sendo que, os fluxos de vapor da superfície são influenciados pela
radiação solar, temperatura, umidade e velocidade do vento (Burrage apud Sentelhas, 1992).
A temperatura como um fator de ponto de orvalho, é um parâmetro
geofísico importante que indica o estado do conteúdo de umidade no ar sob determinadas
condições, e é vital para calcular vários parâmetros agrometeorológicos, inclusive a
evapotranspiração (Hubbard et al., 2003).
Um aspecto importante na duração do molhamento foliar é o fato de
que a quantidade e a duração do orvalho sobre as folhas de uma planta não dependem somente
das condições meteorológicas locais, mas também da estrutura da planta, estádio fenológico4,
posição e geometria da folha, além de suas propriedades térmicas, dificultando assim o
registro deste parâmetro em estações meteorológicas convencionais (Monteiro, 2002; Sutton et
al., 1984).
Com relação a estrutura da planta, conforme um estudo realizado por
Burrage (apud Sentelhas, 1992), sobre o orvalho na cultura do trigo, o mesmo verificou uma
maior quantidade de orvalho formada nas partes mais altas da cultura, contudo a DPMF nas
diferentes alturas da planta foi semelhante.
Para se medir a DPMF, de acordo com Miranda et al. (2000), os
mecanismos mais utilizados são os sensores mecânicos, representados pelo aspergígrafo e
orvalhógrafo, além dos sensores eletrônicos, que tentam simular uma folha e/ou fruto
específico.
Aspergígrafo é um registrador de DPMF que se caracteriza por possuir
um elemento sensível formado por fios de cânhamo que se contraem pelo molhamento e se
distendem pelo secamento. As variações de comprimento desses fios são registradas por uma
pena num diagrama localizado sobre um mecanismo de relojoaria.
O orvalhógrafo registra a DPMF por medidas da variação do peso do
orvalho acumulado sobre um pequeno prato metálico exposto, que funciona como elemento
sensível. O prato aciona, através de um sistema de alavancas, uma pena que registra o
movimento num diagrama situado no sistema de relojoaria.
4
Referente a fenologia que corresponde a parte da botânica que estuda vários fenômenos periódicos das plantas,
como a brotação, a floração, e a frutificação, marcando-lhes as épocas e os caracteres.
41
5
Material ou substância que tem grande afinidade pelo vapor de água, sendo capaz de retirá-lo de uma atmosfera
ou eliminá-lo de uma mistura gasosa.
42
de horas de umidade relativa maior ou igual a 90% obtido em registrador tipo Taylor, ambos
não aconselháveis como padrão devido aos erros que apresentam.
Tsukahara (2004) concordou com Sentelhas (1992) e Amador (1987),
em que a estimativa da DPMF através da simples soma do número de horas com umidade
relativa do ar maior ou igual a 90%, obtida em termohigrógrafo6 localizado no posto
meteorológico, 1,5 metros acima do plano horizontal, não apresenta resultados confiáveis.
Amador (1987), através de regressão linear simples, desenvolveu uma
equação para estimativa do período de molhamento para a cultura do feijoeiro tendo como
base parâmetros observados no posto meteorológico. Assim, o molhamento foi estimado em
função do número de horas com umidade relativa do ar maior ou igual a 90%, alcançando um
valor de R2 = 0,55 a 1% de probabilidade. Acréscimos dos registros de velocidade do vento e
temperatura mínima não melhoraram o desempenho das equações.
Sentelhas (1992) avaliou o molhamento na cultura do trigo através de
medidas obtidas em posto meteorológico padrão e obteve valores de R2=0,34, a 5% de
probabilidade, quando realizou regressões lineares simples entre a Duração do Período de
Molhamento Visual (DPMV) e o número de horas com umidade relativa do ar maior ou igual
a 90%. Quando foram utilizados os registros obtidos no dossel da cultura (microclima), o
coeficiente de determinação (R2) aumentou para 0,89.
Sentelhas (2004), em sua tese de livre docência, fez uma profunda
análise a respeito da DPMF, especialmente com relação aos aspectos operacionais de sua
medida, de sua variabilidade espacial em diferentes culturas e de sua estimativa por diversos
métodos, de modo a se determinar uma condição de referência para sua medida e a relação
dessa DPMF de referência com a DPMF em diferentes culturas. Dentre suas conclusões, pode-
se destacar que, a medida da DPM em diversas posições de diferentes culturas mostrou que
essa variável é afetada não somente pelas condições climáticas, mas também pela estrutura,
arquitetura, arranjo e altura das plantas, fatores esses que controlam o microclima.
6
Aparelho que registra simultaneamente a temperatura e a umidade relativa do ar, cujo sensor é um fio de
cânhamo ligado a uma pena que faz os registros em papel colocado e um sistema de relógio.
43
comercialmente no Rio Grande do Sul. Nessa época, colonos do Sul do Paraná plantavam
sementes de trigo trazidas da Europa em solos relativamente pobres, onde as cultivares de
porte alto, tolerantes ao alumínio tóxico, apresentavam melhor adaptação (Embrapa, 2004).
De acordo com a Embrapa Trigo (Embrapa, 2006), no Brasil, as
principais áreas produtoras deste cereal se concentram nas regiões Sul e Sudeste, devido,
principalmente, às condições climáticas e tecnológicas necessárias para sua produção
econômica, sendo representada pelos estados do Rio Grande do Sul, Paraná e São Paulo. Estes
estados são, hoje, responsáveis por cerca de 91% da produção nacional, representando,
aproximadamente, 2,6 milhões de toneladas.
Segundo a Embrapa (2004), a adaptação do trigo para as condições de
clima e solo do Paraná tem sido realizada, pela soma de fatores genéticos e culturais,
envolvendo inúmeras pesquisas, dentre elas a busca pela resistência às ferrugens. Ao longo
das duas últimas décadas, a pesquisa tem aprimorado outras tecnologias, tais como, rotação de
culturas, manejo adequado do solo, controle integrado de pragas, controle químico de doenças
e zoneamento agroclimático.
Ironicamente, o aumento do potencial produtivo e a diminuição dos
riscos de perdas, proporcionados pelas cultivares melhor adaptadas e pelo controle de doenças
e pragas, via manejo da cultura e utilização de fungicidas eficientes, não têm sido suficientes
para sustentar o aumento da produção (Embrapa, 2004).
De acordo com um levantamento realizado pela Embrapa Trigo
(Embrapa, 2004), durante a safra de 2003 da região norte do Rio Grande do Sul, os itens de
maior oneração no custo total de produção foram os fertilizantes de base e cobertura (24,75%),
sementes (15,46%) e defensivos agrícolas (10%). Em relação ao ano anterior (2002),
observou-se um aumento de, aproximadamente, 29% nos custos totais, com destaque para os
reajustes de preços de semente (81%) e de fertilizantes (46%) (De Mori & Filho, 2003).
Considerando que o custo total de produção no Paraná não se
diferencia expressivamente dos custos estimados pela Embrapa Trigo, e que o manejo
conservacionista priorizando a manutenção da palha sobre o solo intensifica a ocorrência de
processos epidêmicos, o tratamento fitossanitário em sistemas de plantio direto se torna
indispensável para a obtenção de produtividades econômicas (Tsukahara, 2004).
46
5 MATERIAL E MÉTODOS
componente, foi modificado visando as funcionalidades exigidas pelos estudos de caso, assim
como, o desenvolvimento do algoritmo de treinamento Resilient Propagation.
HORÁRIO DATA PRES URMED URMIN URMAX TEMPMED TEMPMIN TEMPMAX VENTMED VENTMIN VENTMAX
IMF
(hh:mm:ss) (dd/mm/aaaa) (mb) (%) (%) (%) (OC) (OC) (OC) (m/s) (m/s) (m/s)
18:05:00 11/8/2003 1,00 903,66 76,78 76,36 77,24 9,99 9,44 10,63 0,10 0,00 1,47
18:10:00 11/8/2003 1,00 903,72 74,92 74,92 75,65 10,17 9,68 10,63 0,78 0,00 1,96
18:15:00 11/8/2003 1,00 903,72 75,87 75,62 76,29 9,99 9,50 10,42 0,98 0,00 2,06
18:20:00 11/8/2003 1,00 903,72 77,97 77,76 78,22 9,56 9,07 9,99 1,67 0,59 2,06
18:25:00 11/8/2003 1,00 903,72 78,69 78,28 79,44 9,32 9,01 9,71 1,76 1,18 1,96
18:30:00 11/8/2003 1,00 903,74 80,75 80,35 81,12 8,80 8,46 9,19 1,67 0,98 2,06
18:35:00 11/8/2003 1,20 903,74 81,94 81,42 82,43 8,52 8,03 8,95 1,86 1,18 2,16
18:40:00 11/8/2003 1,20 903,75 82,95 82,55 83,28 8,28 7,88 8,71 0,10 0,00 1,08
18:45:00 11/8/2003 1,20 903,75 82,43 81,76 83,01 8,43 7,97 8,83 1,47 1,08 1,96
18:50:00 11/8/2003 1,20 903,77 82,15 81,60 82,73 8,65 8,28 9,10 1,57 0,10 1,96
7
Aparelho que registra simultaneamente a temperatura e a umidade relativa do ar, cujo sensor é um termopar,
ligado a um sistema registrador de sinais, que posteriormente os converte em valores.
50
molhamento teve sua altura ajustada conforme o desenvolvimento da cultura, com inclinação
de 45º em relação ao solo e voltado para a face norte.
Figura 14 – Visão da EMA utilizada para coleta de dados da base 2. Piraí do Sul, PR.
2005.
51
6 RESULTADOS
-2.5 gotas de orvalho em torno de 50% da superfície da folha, com diâmetro < 1mm
-1.5 final do molhamento, menos de 10% da folha coberta com algumas gotas isoladas
definiu-se que a transição entre seco e molhado acontecia quando o sensor apresentava valores
de resistência superiores a 5. Desta forma, adotou-se como uma condição de molhado
(presença de orvalho) quando os valores estão acima de 5 em pelo menos metade do tempo do
intervalo de leitura (5 minutos).
No caso do sensor modelo 237 da Campbell® usado no experimento
da Base de Dados 3 (ESALQ, 2005), os valores de resistência elétrica variaram entre 0
(totalmente seco) e 1 (totalmente saturado), onde foram consideradas como presença do
orvalho as leituras que apresentaram valores de resistência superiores a 0,51 em pelo menos
metade do tempo do intervalo de leitura (5 minutos) (Sentelhas, 2004).
Diante deste contexto, as RNAs geradas a partir das Bases de Dados 2
e 3, tiveram como objetivo classificar o molhamento foliar em 2 padrões distintos, seco ou
molhado e, consequentemente, o número de neurônios da camada de saída destas RNAs foi 2.
Uma vez que o problema tenha sido definido e os dados estejam
disponíveis, os dados devem ser preparados para aplicação em uma RNA. Este procedimento é
definido como o pré-processamento dos dados.
Neurônios de saída
IMF
N1 N2 N3 N4 N5 N6 N7 N8 N9 N10
1.0 1 0 0 0 0 0 0 0 0 0
1.2 0 1 0 0 0 0 0 0 0 0
1.5 0 0 1 0 0 0 0 0 0 0
2.0 0 0 0 1 0 0 0 0 0 0
2.5 0 0 0 0 1 0 0 0 0 0
3.0 0 0 0 0 0 1 0 0 0 0
-2.5 0 0 0 0 0 0 1 0 0 0
-2.0 0 0 0 0 0 0 0 1 0 0
-1.8 0 0 0 0 0 0 0 0 1 0
-1.5 0 0 0 0 0 0 0 0 0 1
59
11/08/2003 18:05/23:55 71
19/08/2003 00:00/23:55 216
20/08/2003 00:00/23:55 216
05/09/2003 00:00/12:00 145
11/09/2003 18:05/23:55 71
12/09/2003 00:00/12:00 145
... ... ...
08/10/2003 18:05/23:55 71
09/10/2003 00:00/12:00 145
Total de registros 3888
63
Uma vez que todos os itens sejam informados, clica-se no botão ALL para o processo se
iniciar.
nenhum tipo de cadastro, já o administrador tem acesso a todas as tarefas do sistema, situação
que será descrita a seguir.
Uma vez que o administrador faça sua identificação, a tela resultante
corresponde a exibida na Figura 23, na qual tornam-se disponíveis as opções da barra de
menu: Cadastros, Importação, Ensaios, Ajuda, Sobre e Sair.
Excel ou BrOffice Calc. O local de gravação destes arquivos pode ser qualquer
pasta do sistema, ou conforme determinado na instalação, recomendável;
• Finalidade dos dados – conforme a metodologia das RNAs, os dados podem
ser utilizados para o treinamento ou validação (teste) das RNAs.
Após a inserção correta dos dados de importação, uma lista parcial dos
dados é exibida, conforme exemplo ilustrado na Figura 30, onde, cada uma das colunas,
previamente rotuladas com a identificação de cada atributo, deve estar diretamente relacionada
ao cadastramento das variáveis. Situação que exige exatidão da nomenclatura das variáveis
conforme os cabeçalhos dos arquivos de importação.
Durante o processo de importação, um quadro de dialogo como o
ilustrado na Figura 31 é exibido, o qual tem por finalidade solicitar ao usuário para indicar a
partir de qual linha do arquivo de origem os dados devem ser importados. Esta linha deve
corresponder aquela que possui a identificação de cada atributo e cujos valores estarão
expressos na referida coluna. Por uma questão de operacionalização, sempre a ultima coluna
do arquivo deve corresponder ao índice de molhamento. Portanto, as colunas anteriores estarão
representando as ocorrências das variáveis que formarão os neurônios da camada de entrada.
Para realizar um teste é preciso escolher a RNA que será testada. Isto é
feito ao selecionar uma determinada Data com o respectivo N.Treino e a Estação. Cada uma
dessas opções corresponde a uma RNA previamente treinada. Ao clicar-se duas vezes sobre a
RNA escolhida, são exibidos os dados do Relatório do Treinamento e no quadro Importações
para teste, são disponibilizados os dados previamente importados para testes relativos à RNA
em uso. Uma vez que se escolha um dos arquivos para teste, uma lista dos dados é exibida
(Figura 35). Neste ponto pode-se clicar o botão Testar e o processo têm início. Assim como no
treinamento, o tempo de execução é variável, mas geralmente é inferior a um minuto,
evidentemente, proporcional à quantidade de registros do conjunto de dados usados para o
teste.
Após a conclusão do teste, um relatório como o ilustrado na Figura 36
é exibido. Para uma visualização geral deve-se usar a barra de rolagem na lateral direita da
janela. Neste relatório podem ser visualizados todos os erros e/ou acertos de cada um dos
neurônios de saída estimados pela RNA em relação aos IMF da base de testes. No final do
86
relatório, são computados os totais e percentuais de acertos e erros obtidos. Para uma posterior
consulta o relatório pode ser gravado em arquivo, clicando-se no botão Salvar.
avaliação do sistema foram convertidos para 2 índices (seco ou molhado). O motivo desta
conversão visou uma padronização em relação aos outros estudos de caso.
No que se refere aos métodos de treinamento, foram destacados apenas
os resultados com o algoritmo Resilient Propagation, visto que, os resultados do algoritmo
Backpropagation não foram satisfatórios.
A principal diferença entre os procedimentos de avaliação descritos
nas próximas seções, em relação aos da fase preliminar do trabalho com os simuladores SNNS
e o JavaNNS, são os seguintes:
§ com os simuladores, os conjuntos de validação foram utilizados para determinar o
momento de parada de treinamento, ou seja, a validação cruzada;
§ na avaliação do sistema, os conjuntos de validação foram utilizados para
determinar os acertos e erros e seus respectivos percentuais, obtidos a partir das
respostas apresentadas pelas RNAs previamente treinadas no próprio PMNeural,
com os conjuntos de treinamento.
Portanto, assim como ocorreu nos experimentos iniciais com os
simuladores, a avaliação do sistema PMNeural também foi realizada com dados diferentes
daqueles utilizados durante a fase de aprendizado.
HORÁRIO + URMED +
4-14-2 1400 0,03386 94,75 05,25
TEMPMED + VENTMED
HORARIO + URMED +
3-11-2 1200 0,07819 92,50 07,50
TEMPMED
HORARIO + URMAX +
3-11-2 1200 0,04939 96,00 04,00
TEMPMIN
HORÁRIO + URMED +
4-14-2 1600 0,10922 77,00 23,00
TEMPMED + CHUVA
HORARIO + URMED +
3-11-2 750 0,13282 82,70 17,30
TEMPMED
HORÁRIO + URMED +
4-14-2 1800 0,04251 95,80 04,20
TEMPMED + VENTMED
URMED + TEMPMED +
3-11-2 1500 0,04352 96,00 04,00
VENTMED
HORARIO + URMED +
3-11-2 1200 0,05229 95,60 04,40
TEMPMED
HORÁRIO + URMED +
3-11-2 1000 0,13369 81,86 18,14
TEMPMED
7 DISCUSSÕES
§ Notebook_1 – notebook com processador Intel Pentium 725 Centrino, clock de 1.6
Giga Hertz (GHz), 2 Megabytes (MBytes) de memória cachê e 512 Mbytes de
memória RAM;
98
Notebook_1 80.500
Notebook_2 90.370
EC_3
Desktop_1 69.230
Desktop_2 49.140
Notebook_1 22.640
Notebook_2 26.050
EC_4
Desktop_1 20.040
Desktop_2 11.845
99
8 CONSIDERAÇÕES
9 CONCLUSÕES
10 REFERÊNCIAS BIBLIOGRÁFICAS
AGROSYSTEM, Web:
http://agrosystem.locaweb.com.br/produto_detalhe.asp?id_linha=3&id_produto=39, acesso
em novembro/2005.
BALLINI, R.; SOARES, S.; ANDRADE, M. G. Previsão de vazões médias mensais usando
redes neurais nebulosas. Sba Controle & Automação, Campinas, v.14, n.3, p.680-693. ISSN
0103-1759, 2003.
CAUDILL, M. Neural Network Primer. Miller Freeman Publications, San Francisco, CA,
1990.
DE MORI, C.; FILHO, A. F. Custo de produção de trigo e de aveia: estimativa safra 2003.
Passo Fundo: Embrapa Trigo, 2003. 5p. Embrapa Trigo. Comunicado Técnico Online, n.111.
Web: http://www.cnpt.embrapa.br/biblio/co/p_co111.htm, acesso em out/2004.
106
DIAS, A. H.; MATHIAS, I. M.; BIAGGIONI, M. A. M.; CATANEO, A.; PAES, A. R.;
ESPERANCINI, M. S. T.; VIRGENS FILHO, J. S. das; Avaliação do ciclo produtivo da
laranja através de redes neurais artificiais, In: XI SIMEP - Simpósio de Engenharia de
Produção, Anais...., Bauru, 2004.
FISCHER, I., HENNECKE, F., BANNES, C., ZELL, A. JavaNNS – Java Neural Network
Simulator. User Manual – Version 1.1. University of Tübingen, Wilhelm-Schickard -
Institute for Computer Science, Department of Computer Architecture, 2001, Web:
107
FURLAN, J. D. Modelagem de Objetos através da UML. São Paulo: Makron Books, 1998,
330p.
GETZ, R.R. Coments on “forecasting dew duration at pendleton, Oregon, using simple
weather observations”. Journal of Applied Meteorology. Boston, 18(8). p.1087, 1979.
108
HAYKIN, S. Redes neurais princípios e prática. Porto Alegre, Bookman, 2001, 900p.
HUBBARD, K. G.; MAHMOOD, R.; CARLOS C. Estimating Daily Dew Point Temperature
for the Northern Great Plains Using Maximum and Minimum Temperature, Agronomy
Journal, Stanford University Libraries, v.95, p.323-328, 2003.
109
MEDEIROS, L. F. de. Redes neurais em delphi. Florianópolis: Visual Books Editora, 2003,
115p.
NIEVOLA, J. C. Redes neurais artificiais. In: XII Escola regional de informática – ERI
2004, Anais, p.01-50, ISBN 858844287-6, Universidade Estadual do Centro-Oeste –
UNICENTRO, Guarapuava, 2004.
PESSOA, J. D. C.; FREIRE L. Redes Neurais para predição de variáveis climáticas relevantes
para agricultura. EMBRAPA - Comunicado Técnico – ISSN 1413-6244, São Paulo, n.23,
p.1-7, 1998.
PINTO, A. C. S.; POZZA, E. A.; SOUZA, P. E.; POZZA, A. A. A.; TALAMINI, V.;
BOLDINI, J. M.; SANTOS, F. S. Descrição da epidemia da ferrugem do cafeeiro com redes
neuronais. Fitopatologia Brasileira, v.27, p.517-524, 2002.
SENGER, L. J.; CALDAS JUNIOR, J. Análise de risco de crédito utilizando redes neurais
artificiais. Revista do CCEI, Bage, ISSN 1415-2061, v.5, n.8, p.19-27, 2001.
STADZISZ, P.C. Projeto de Software usando a UML, Curitiba: CEFET, 2002, 69p.
ZELL, A. et al. SNNS – Stuttgart Neural Network Simulator. User Manual – Version 4.2.
University of Stuttgart, Institute for Parallel and Distributed High Performance Systems, 1998,
Web: http://www-ra.informatik.uni-tuebingen.de/downloads/SNNS/SNNSv4.2. Manual.pdf,
acesso em setembro/2004.
APÊNDICE
117
Local de destino:
C:\Arquivos de programas\PMNeural
C:\Arquivos de programas\PMNeural\Ajuda\AJUDA.HLP
3. Fazer o Teste com o arquivo que foi previamente importado para esta finalidade. A
referência é a data da importação. Ao testar, é gerado um relatório completo, mas,
pode-se optar pelo resumido, onde, são descritas todas as informações sobre o
treinamento da RNA, bem como, o total de acertos e erros.
119
§ Login = admin
§ Senha = admin